Các mô hình AI của Trung Quốc gây lo ngại toàn cầu amid các thay đổi về chi phí và chiến lược

Tác giả: Stratechery

Biên dịch: Deep潮 TechFlow

Dẫn nhập của Shenchao: Kimi K3 tấn công thị trường mô hình nhận thức, tại sao Wall Street và Silicon Valley phản ứng quá mức? Bài viết này phân tích rằng, sau khi AI bước từ thời đại ChatGPT sang thời đại Agent, token đã không còn là hàng hóa; hàng hóa thực sự chính là trí tuệ — và trong cuộc chiến mà chi phí biên là yếu tố then chốt, các mô hình mã nguồn mở của Trung Quốc tuy miễn phí nhưng chi phí dịch vụ thực tế không hề thấp. Sự hoảng loạn của các phòng thí nghiệm tiên tiến chủ yếu xuất phát từ việc họ vẫn chưa thích nghi được với quy tắc trò chơi mới, nơi trọng tâm chuyển từ chi phí huấn luyện sang quy mô suy luận.

Tôi từng kể một câu chuyện về trải nghiệm ngày đầu tiên của tôi trong lớp STRT-431 tại Trường Kinh doanh Kellogg, một môn học bắt buộc dành cho tất cả sinh viên MBA mới. Tôi lướt qua tài liệu và các case study của khóa học, và thất vọng khi thấy không có công ty công nghệ nào trong lịch học. Tôi vội去找 giáo sư hỏi tại sao, và câu trả lời tôi nhận được là: Mục tiêu của môn học này không phải là nghiên cứu một ngành cụ thể, mà là tìm ra những nguyên tắc phổ quát có thể áp dụng cho mọi ngành và mọi công ty.

Như tôi thường nói, lúc đó tôi rất không hài lòng với câu trả lời này: Theo tôi, bản chất của công nghệ, đặc biệt là chi phí biên bằng không (và chi phí giao dịch bằng không) trong phần mềm và phân phối, là sự khác biệt căn bản. Việc điền số không vào công thức thường khiến mọi thứ trở nên hỗn loạn. Nhưng tôi nhanh chóng nhận ra rằng, đây chính là cơ hội của tôi. Nhận thức cốt lõi của Lý thuyết Tích tụ (Aggregation Theory) là: chi phí biên bằng không dẫn đến chuỗi giá trị hoàn toàn khác với những kỳ vọng trước đây về internet—trong một thế giới nơi kiểm soát nhu cầu quan trọng hơn phân phối nguồn cung, bạn sẽ thấy sự tập trung và quy mô hóa.

Tuy nhiên, điều thú vị về AI là những nguyên tắc phổ quát cổ xưa đang quay trở lại vị trí trung tâm. Điều này rõ ràng nhất vào cuối tuần trước, khi trên X nổ ra cuộc tranh luận sôi nổi về Kimi K3. Kimi K3 là một mô hình trọng số mã nguồn mở khác do Trung Quốc ra mắt, với khả năng đang tiến gần đến mức tiên tiến nhất. Tóm lại: chi phí biên đang quay trở lại theo một cách quan trọng, cả về tác động ngắn hạn của các mô hình miễn phí tiên tiến nhất lẫn cấu trúc dài hạn của ngành.

Một trong những hiểu lầm phổ biến nhất về mô hình trọng số mã nguồn mở là chúng rẻ hơn—hoặc thậm chí miễn phí. Cuối cùng, bạn có thể tải trực tiếp trọng số, bỏ qua thời gian, chi phí và năng lực cần thiết để tạo ra mô hình của riêng mình. Điều này chắc chắn đúng, nhưng từ "miễn phí" ở đây đề cập đến số tiền bạn phải chi cho nghiên cứu và phát triển (R&D). Nghiên cứu và phát triển là chi phí cố định, không liên quan đến doanh thu bạn tạo ra. Nếu bạn đã chi 1 triệu USD cho R&D, thì dù doanh thu của bạn là 100.000 USD hay 1 tỷ USD, bạn vẫn đã chi 1 triệu USD cho R&D (dĩ nhiên điều này ảnh hưởng đến khả năng sinh lời của bạn).

Liên quan đến doanh thu là COGS – chi phí hàng bán – và đối với AI, COGS là thực tế, điều mà ngành phần mềm chưa từng có trong thời gian dài. Cụ thể, chạy suy luận trên mô hình – dù là Kimi hay Fable – đều tốn chi phí, và các nhà cung cấp AI chi tiêu cho suy luận, ít nhất trong hầu hết các mô hình kinh doanh, đều có mối liên hệ trực tiếp với doanh thu. Lấy lại ví dụ trên, để tạo ra 100 triệu USD doanh thu so với 100.000 USD doanh thu, có thể cần đến 1.000 lần COGS. Cụ thể, nếu chi phí token để tạo ra 1 USD doanh thu là 50 cent, thì 100 triệu USD doanh thu sẽ có COGS là 50 triệu USD, trong khi 100.000 USD doanh thu chỉ có 50.000 USD COGS.

Điểm chính về mô hình trọng số mã nguồn mở là chúng không phải là dịch vụ miễn phí. Chi phí của Kimi K3 là 3 USD mỗi triệu token đầu vào và 15 USD mỗi triệu token đầu ra. Điều này rẻ hơn so với Sol ở mức 5 USD mỗi triệu token đầu vào và 30 USD mỗi triệu token đầu ra, nhưng đây có thể không phải là tiêu chí đo lường chính xác.

CEO của NVIDIA, Huang Renxun, mô tả những gì NVIDIA đang xây dựng là một "nhà máy token". Từ góc nhìn của NVIDIA, cách nói này rất hợp lý. GPU của NVIDIA không được thiết kế riêng cho bất kỳ mô hình cụ thể nào: chúng tạo ra token và làm điều đó nhanh nhất và hiệu quả nhất có thể. Điều này dẫn đến các chỉ số đo lường như số token mỗi giây, thời gian đến token đầu tiên, số token mỗi watt, chi phí mỗi token, mà Huang Renxun cho rằng sẽ trở thành cơ sở để ra quyết định.

Khung này thực sự có ý nghĩa trong giai đoạn đầu tiên của AI — thời đại ChatGPT — khi các token được giao trực tiếp cho người dùng cuối. Tuy nhiên, giai đoạn thứ hai của AI — thời đại suy luận — đã làm xáo trộn cách đo lường này. Suy luận nghĩa là sự bùng nổ số lượng token chuỗi suy nghĩ, và các mô hình khác nhau cần số lượng token suy luận khác nhau để đưa ra câu trả lời chính xác. Ví dụ, theo báo cáo, Kimi sử dụng nhiều token hơn đáng kể so với Sol, khiến lợi thế về giá của nó tan biến. Agent cũng tạo ra động lực tương tự: một số mô hình hiệu quả hơn trong việc sử dụng số lượng token cần thiết để thực hiện luồng công việc Agent.

Điều này có nghĩa là token không phải là hàng hóa. Đặc điểm định nghĩa của hàng hóa là nó có thể hoán đổi cho nhau: một gallon dầu mỏ chính là một gallon dầu mỏ, một tấn đồng chính là một tấn đồng, một bushel lúa mì chính là một bushel lúa mì. Nhưng token của một mô hình khác với token của mô hình khác. Điều có thể hoán đổi cho nhau là thứ được tạo ra từ token — đó là trí tuệ. Nói cách khác, nếu Kimi và Sol đều tạo ra câu trả lời đúng, thì câu trả lời đó có thể hoán đổi cho nhau. Sự khác biệt về số token cần thiết để tạo ra câu trả lời đúng sẽ dẫn đến sự khác biệt trong COGS.

Chi phí hàng bán ra (COGS) thông minh là hàm của một số yếu tố khác nhau:

Diện tích mô hình chiếm dụng: Trọng số và trạng thái thời gian chạy xác định lượng bộ nhớ đắt đỏ và bộ tăng tốc cần thiết để lưu trữ mỗi bản sao dịch vụ.

Inference efficiency: Architecture choices (such as Mixture of Experts models) reduce computational cost per generated token

Hiệu quả bộ nhớ: Việc lựa chọn kiến trúc có thể giảm nhu cầu bộ nhớ đệm KV, cho phép nhiều yêu cầu đồng thời hơn và tăng hiệu suất sử dụng GPU

Hiệu suất dịch vụ: Xử lý hàng loạt, lập lịch, bộ nhớ đệm tiền tố và các tối ưu hóa suy luận khác nhằm tối đa hóa mức độ sử dụng và chia sẻ công việc giữa các yêu cầu

Token efficiency: The fewer tokens required to reach the correct answer, the lower the reasoning cost

Điều này rất quan trọng vì chúng ta đang tiến nhanh đến một trạng thái mà trí tuệ trở thành một hàng hóa đối với nhiều nhiệm vụ có lợi về mặt kinh tế. Ví dụ: bất kỳ ai xây dựng ứng dụng CRUD cơ bản đều có thể sử dụng các mô hình từ nhiều nhà cung cấp để hoàn thành. Và trong thị trường hàng hóa, con đường sinh lời không phải thông qua việc định giá cao hơn—bạn có thể (hoặc sớm có thể) tạo ra cùng một ứng dụng bằng nhiều mô hình khác nhau—mà thông qua việc sở hữu cấu trúc chi phí ưu việt.

Ở đây cần làm rõ lại cơ chế, vì như tôi đã chỉ ra vài tháng trước trong bài viết “Độ bền của Amazon”, động lực của thị trường hàng hóa không phải là điều mà các chuyên gia công nghệ thường quen thuộc:

Trong thị trường hàng hóa, mọi người đều bán cùng một sản phẩm nên đều thu cùng một mức giá, và mức giá này được xác định bởi cung và cầu.

Nhu cầu đối với hàng hóa là hàm của độ co giãn giá: hàng hóa càng rẻ, nhu cầu càng cao và ngược lại.

Cung hàng hóa là hàm của chi phí biên sản xuất hàng hóa

Điều quan trọng cần hiểu là chi phí biên để sản xuất hàng hóa của các nhà cung cấp khác nhau là khác nhau. Trong thực tế, điều này có nghĩa là nhà cung cấp có cấu trúc chi phí kém nhất sẽ bán hàng hóa với chi phí biên của họ (nếu họ vẫn còn khả năng sản xuất). Lợi nhuận của tất cả những người còn lại phụ thuộc vào việc cấu trúc chi phí của họ tốt hơn nhà cung cấp biên bao nhiêu.

Ví dụ:

Nhà cung cấp A có thể sản xuất 10 đơn vị hàng hóa với chi phí 10 USD mỗi đơn vị.

Nhà cung cấp B có thể sản xuất 10 đơn vị hàng hóa với chi phí 15 USD mỗi đơn vị.

Nhà cung cấp C có thể sản xuất 10 đơn vị hàng hóa với chi phí 20 USD mỗi đơn vị.

Giả sử độ co giãn giá khiến nhu cầu về hàng hóa là 25 đơn vị tại mức giá 20 USD. Điều này có nghĩa là:

Nhà cung cấp A sẽ bán 10 đơn vị với giá 20 đô la, lãi 10 đô la mỗi đơn vị

Nhà cung cấp B sẽ bán 10 đơn vị với giá 20 USD, lãi 5 USD mỗi đơn vị

Nhà cung cấp C sẽ bán 5 đơn vị với giá 20 USD, lãi 0 USD mỗi đơn vị

Điều này không hoàn toàn chính xác: Nhà cung cấp C chịu trách nhiệm cho sự thiếu hụt vì nhà cung cấp A và B có thể giảm giá nhẹ so với họ, điều này tất nhiên ảnh hưởng đến nhu cầu (có tính co giãn), nhưng điều này làm rõ vấn đề. Nhà cung cấp A có kinh doanh rất tốt, nhà cung cấp B có kinh doanh khá tốt, còn nhà cung cấp C đang trên bờ phá sản.

Nguy cơ phá sản là nơi chi phí cố định quay trở lại vị trí trung tâm: Nhà cung cấp C vừa có chi phí cố định (như chi phí nghiên cứu và phát triển có thể xảy ra), vừa có thể gánh nợ để tài trợ cho thiết bị cần thiết sản xuất hàng hóa. Họ không thể định giá hàng hóa dựa trên những chi phí này—hãy nhớ rằng, giá cân bằng thị trường gần với chi phí biên của đơn vị có chi phí cao nhất đáp ứng nhu cầu—nhưng những chi phí này hoàn toàn có thể đẩy nhà cung cấp ra khỏi thị trường. Nếu nhà cung cấp phá sản, giá sẽ tăng lên cho đến khi một nhà cung cấp khác quyết định gia nhập (hoặc các nhà cung cấp khác mở rộng).

Hãy quay lại mô hình này. Hiện tại, tất cả các phân tích trên đều không còn áp dụng, vì nhu cầu đối với các mô hình tiên tiến đã vượt quá nguồn cung, và nguồn cung bị giới hạn bởi thiếu hụt năng lực tính toán. Sự thiếu hụt năng lực tính toán này không chỉ có nghĩa là các nhà cung cấp năng lực tính toán như NVIDIA có thể đạt được biên lợi nhuận rất cao, mà còn có nghĩa là khách hàng của NVIDIA, chẳng hạn như SpaceXAI, cũng có thể bán lại năng lực tính toán này với biên lợi nhuận cao cho các công ty như Anthropic. Đồng thời, Anthropic có thể trả thêm chi phí vì họ có thể bán token với mức giá cao hơn.

Tuy nhiên, không chỉ riêng nhu cầu vượt mức đã mang lại cho Anthropic lợi nhuận lớn: Anthropic và OpenAI có thể sở hữu chi phí đơn vị trí tuệ chất lượng cao nhất thấp nhất, nhờ vào khả năng mô hình, quy mô dịch vụ và hiệu quả token. Họ cung cấp các mô hình ở mức khả năng cụ thể sớm hơn đối thủ vài tháng, đồng thời ứng dụng các mô hình tốt nhất để tối ưu hóa những chi phí này.

Cần lưu ý rằng thị trường chưa coi trí tuệ là một hàng hóa: nhu cầu chỉ tập trung vào Anthropic và OpenAI, trong khi nhu cầu đối với các mô hình kém hơn thì ít hơn nhiều (do đó, SpaceXAI và Meta bán công suất cho Anthropic). Một cách để suy nghĩ về động lực tối ưu hóa chi phí là đây là một hàm của mức độ trí tuệ định nghĩa công việc cần hoàn thành, cho phép người mua trí tuệ tạo ra một thị trường nơi trí tuệ trở thành hàng hóa. Tuy nhiên, về lâu dài, bất kỳ ai dẫn đầu ở ranh giới前沿 đều có khả năng thống trị các thị trường không nằm ở ranh giới前沿 nhất, những thị trường này chỉ là ranh giới前沿 trừ đi n tháng — chính là khoảng thời gian mà các nhà sản xuất mô hình前沿 đã liên tục tối ưu hóa chi phí dịch vụ của họ.

Tất cả những điều này cho thấy tôi cho rằng phản ứng phổ biến đối với Kimi và các mô hình Trung Quốc là quá mức, ít nhất là về mặt kinh tế. Hiện tại có một chiếc ô giá, đây là hệ quả từ sự thiếu hụt năng lực tính toán. Tôi rất nghi ngờ liệu các mô hình Trung Quốc có cung cấp dịch vụ rẻ hơn dựa trên chi phí biên hay không; chúng chỉ trông rẻ hơn vì nguồn cung từ Anthropic và OpenAI bị hạn chế quá mức, khiến họ thu phí cao hơn nhiều so với mức giá nếu có đủ nguồn cung để đáp ứng nhu cầu trí tuệ.

Vậy thì tại sao các nhà sản xuất mô hình dường như lại hoảng sợ trước các mô hình Trung Quốc?

Trước hết, tôi cho rằng phòng thí nghiệm tiên tiến đang định vị mình trong một thế giới nơi chi phí huấn luyện chi phối mô hình tài chính của nó. Khi huấn luyện tiêu tốn nhiều GPU hơn suy luận, việc tối đa hóa doanh thu từ suy luận để hỗ trợ tài trợ cho lần huấn luyện tiếp theo là vô cùng quan trọng, điều này có nghĩa là phải định giá rất cao đối với suy luận.

Tuy nhiên, nhìn về tương lai, tôi dự kiến thị trường suy luận sẽ tăng trưởng nhanh hơn nhiều so với chi phí huấn luyện (giả định rằng chi phí huấn luyện sẽ tiếp tục tăng mạnh), điều này có nghĩa là họ thực sự có thể bù đắp bằng quy mô. Cho đến tám tháng trước, việc này có trở thành hiện thực hay không vẫn chưa rõ ràng, nhưng việc mở khóa mô hình Agent mang lại lợi ích khổng lồ đến mức các phòng thí nghiệm hàng đầu nên tự tin hơn rằng họ không chỉ có thể tồn tại với chi phí thấp hơn, mà còn phát triển mạnh mẽ (một khi họ có đủ sức tính toán).

Thứ hai, trí tuệ nhân tạo thực chất không phải là một hàng hóa hoàn hảo, một phần do việc sử dụng trí tuệ nhân tạo khiến chính nó trở nên thông minh hơn. Cụ thể, bất kỳ ai chạy suy luận đều đang thu thập dữ liệu, và những dữ liệu này sẽ được sử dụng để cải thiện mô hình cho lần lặp tiếp theo. Một mặt, đây là lý do khiến các phòng thí nghiệm hàng đầu giảm giá và tăng lượng sử dụng khi có thêm năng lực tính toán. Mặt khác, đây cũng là lý do tại sao các công ty như Microsoft ngày càng chú trọng hỗ trợ các doanh nghiệp chạy mô hình của riêng họ. Nếu các mô hình Trung Quốc là giải pháp thay thế khả thi, thì điều này càng trở nên khả thi hơn.

Thứ ba, một cách khác để các phòng thí nghiệm tiên tiến không chỉ nổi bật so với các mô hình Trung Quốc mà còn phân biệt được với nhau là tiếp tục tích hợp lên phía trên vào trải nghiệm người dùng. Claude Code và Codex đã chứng minh độ bám dính đáng kinh ngạc. Bất kể bạn bắt đầu sử dụng công cụ nào, đó có thể là công cụ bạn sẽ tiếp tục sử dụng, đặc biệt đối với người dùng không chuyên kỹ thuật. Về lâu dài, sự cần thiết phải di chuyển lên phía trên thực sự có nghĩa là các mô hình tiên tiến là mối đe dọa thực sự đối với các nhà cung cấp phần mềm, bao gồm cả Microsoft. Mặt khác, mức độ các công ty phần mềm hiện đang sở hữu trải nghiệm người dùng có thể tiếp cận được các mô hình cạnh tranh sẽ quyết định mức độ họ có thể chống lại sự xâm lấn từ các phòng thí nghiệm tiên tiến.

Cuối cùng, góc độ ý thức hệ của Anthropic đặc biệt không thể bỏ qua. Đây là một công ty tin rằng chỉ có nó mới được giao phó AI, và sự tồn tại của các phiên bản thay thế trọng số mã nguồn mở là cú đánh chết người đối với giả định này.

Kimi không phải là mô hình Trung Quốc mới duy nhất. Bloomberg đưa tin:

Giá cổ phiếu của Alibaba Group Holding Limited tăng 5,4% vào thứ Hai, sau khi công ty ra mắt bản xem trước của mô hình chủ lực Qwen3.8 Max, được cho là chỉ sau Fable 5 của Anthropic. Việc ra mắt vào Chủ nhật diễn ra chỉ vài ngày sau khi công ty khởi nghiệp Moonshot AI tung ra sản phẩm mới mạnh mẽ, khiến thị trường chấn động và gây lo ngại ở Mỹ về việc Trung Quốc thu hẹp khoảng cách với các nhà lãnh đạo toàn cầu như Anthropic và OpenAI. Qwen3.8 Max có 2,4 nghìn tỷ tham số, cùng với Kimi K3 của Moonshot AI bước vào nhóm trọng lượng nặng. K3 có 2,8 nghìn tỷ tham số, có thể sánh ngang với các sản phẩm hàng đầu, và Alibaba cũng đặt kỳ vọng tương đương.

Các nhà phát triển hiện có thể truy cập Qwen3.8 Max thông qua nền tảng mã hóa của Alibaba (bao gồm Qoder). Alibaba dự kiến sẽ mở nguồn trọng số của mô hình này trong thời gian sớm nhất, mở rộng phạm vi truy cập vượt ra ngoài phiên bản xem trước. Sự quan tâm đối với các hệ thống và mô hình trí tuệ nhân tạo do Trung Quốc sản xuất này cao đến mức Yueju Anmian buộc phải tạm dừng tiếp nhận đăng ký mới vào cuối Chủ nhật để đối phó với nhu cầu quá tải.

Giá cổ phiếu của Alibaba Group Holding Limited đã tăng tới 5,4% vào thứ Hai, sau khi công ty này ra mắt bản xem trước của mô hình hàng đầu Qwen3.8 Max và tuyên bố nó chỉ đứng sau Fable 5 của Anthropic PBC. Việc ra mắt vào Chủ nhật này diễn ra chỉ vài ngày sau khi Moonshot AI giới thiệu sản phẩm mới mạnh mẽ, khiến thị trường chấn động và dấy lên lo ngại ở Mỹ về việc Trung Quốc đang nỗ lực đuổi kịp các nhà lãnh đạo toàn cầu như Anthropic và OpenAI. Qwen3.8 Max sở hữu 2,4 nghìn tỷ tham số, cùng với Kimi K3 của Moonshot bước vào nhóm sản phẩm trọng lượng nặng. K3 có 2,8 nghìn tỷ tham số, có thể sánh ngang với các sản phẩm hàng đầu, và Alibaba cũng đặt kỳ vọng tương đương.

Các nhà phát triển hiện có thể truy cập Qwen3.8 Max, bao gồm Qoder, thông qua nền tảng mã hóa của Alibaba. Alibaba dự kiến sẽ mở rộng quyền truy cập vào trọng số mô hình này trong thời gian tới, mở rộng phạm vi vượt ra ngoài phiên bản xem trước. Nhu cầu đối với các hệ thống và mô hình trí tuệ nhân tạo do Trung Quốc sản xuất này quá cao, khiến Moonshot buộc phải tạm dừng tiếp nhận đăng ký mới vào cuối Chủ nhật để ứng phó với nhu cầu quá tải.

Việc Qwen3.8 Max cũng sẽ mở trọng số là điều đáng chú ý. Alibaba đã ngừng phát hành trọng số của các mô hình hàng đầu của mình vào đầu năm nay, nhưng dường như đã thay đổi quyết định này; tôi nghi ngờ sự chuyển biến này liên quan đến bài phát biểu của Tập Cận Bình về AI vào tuần trước, trong đó nhấn mạnh mạnh mẽ hơn đến phương pháp mở trọng số:

Chúng ta nên kiên trì nguyên tắc mở cửa, cùng có lợi, thúc đẩy phát triển dựa trên đổi mới sáng tạo. Là động lực mới cho tăng trưởng kinh tế toàn cầu và chất xúc tác chuyển đổi động lực tăng trưởng, trí tuệ nhân tạo đang bước từ thế giới số sang thế giới vật lý. Chúng ta nên nắm bắt cơ hội lịch sử hiếm có này, khuyến khích mã nguồn mở, mở cửa, hợp tác và chia sẻ. Chúng ta nên thúc đẩy đổi mới công nghệ, phát triển ngành công nghiệp và ứng dụng thực tế của trí tuệ nhân tạo. Chúng ta nên phối hợp thúc đẩy chuyển đổi và nâng cấp ngành công nghiệp truyền thống, nuôi dưỡng và mở rộng các ngành công nghiệp mới, cũng như lập kế hoạch chiến lược cho các ngành công nghiệp tương lai, để mọi ngành nghề đều có thể hưởng lợi từ trí tuệ nhân tạo.

Chiến lược của Trung Quốc rõ ràng: biến các sản phẩm bổ sung của bạn thành hàng hóa thông thường. Lưu ý rằng Tập Cận Bình đã rõ ràng liên kết tính mở với AI "đi từ thế giới số sang thế giới vật lý"; thế giới vật lý là thế giới do Trung Quốc dẫn dắt, và vị thế dẫn đầu của Trung Quốc trong các lĩnh vực như robot sẽ được hưởng lợi rất nhiều từ các mô hình AI phổ biến rộng rãi.

Tương tự, Trung Quốc không muốn Mỹ đạt được lợi thế bất cân xứng trong lĩnh vực AI; nếu Trung Quốc có thể làm suy yếu các phòng thí nghiệm tiên tiến của Mỹ đồng thời tăng cường mọi và tất cả các đối thủ tiềm năng của Mỹ thì càng tốt, và nó cũng có thể hưởng lợi từ sự đổi mới gắn liền với hệ sinh thái mở.

Tương tự, đừng mong đợi Trung Quốc sẽ có bất kỳ hành động nào chống lại các cuộc tấn công chiết xuất từ các phòng thí nghiệm tiên tiến. Tôi cho rằng việc gán toàn bộ thành công của các phòng thí nghiệm Trung Quốc cho chiết xuất là sai lầm, nhưng cũng sai lầm khi phủ nhận rằng chiết xuất không mang lại lợi thế lớn cho các phòng thí nghiệm Trung Quốc. Lợi thế này đã thực sự bộc lộ trong năm qua, khi học tăng cường sau huấn luyện trở nên ngày càng quan trọng đối với hiệu suất mô hình. Các phòng thí nghiệm Trung Quốc không cần phải xây dựng môi trường học tăng cường từ đầu, mà có thể đơn giản sử dụng các mô hình của các phòng thí nghiệm tiên tiến làm giáo viên để đạt được sự cải tiến nhanh chóng với chi phí thấp hơn nhiều (đây không phải là lý do duy nhất khiến chi phí phát triển mô hình của Trung Quốc thấp hơn, nhưng là một lý do quan trọng).

Điều thú vị là một trong những trường hợp sử dụng quan trọng nhất của các mô hình Trung Quốc tại phương Tây chính là quá trình tinh luyện. Ví dụ, Thinking Machines vừa công bố mô hình có trọng số mở, đã dựa vào các mô hình Trung Quốc để giải quyết vấn đề khởi động lạnh trong học tăng cường. Dean Meyer và Konstantine Buhler đã viết một bài viết xuất sắc trên X giải thích rằng tinh luyện có nghĩa là các mô hình trọng số mở phương Tây đang ở vị thế bất lợi cơ bản so với Trung Quốc:

Sự tinh luyện không thể giải thích toàn bộ lợi thế dẫn đầu của Trung Quốc trong lĩnh vực mô hình mở. Các phòng thí nghiệm Trung Quốc sở hữu các nhà nghiên cứu đẳng cấp thế giới, lượng tính toán khổng lồ, các mô hình pre-training mạnh mẽ, thiết kế phối hợp phần mềm-hardware và năng lực sau huấn luyện được cải thiện nhanh chóng. Tuy nhiên, tinh luyện đã thu hẹp khoảng cách tốn kém cuối cùng giữa nền tảng mạnh mẽ và các hệ thống gần với trình độ tiên tiến. Ngay cả khi tinh luyện chiếm tỷ trọng nhỏ trong tổng năng lực của các mô hình Trung Quốc, nó vẫn đóng vai trò quan trọng trong lợi thế tương đối của Trung Quốc so với các mô hình mở của Mỹ.

Cơ chế thực thi mới sẽ khiến việc tinh luyện quy mô lớn trở nên khó khăn, chậm chạp và tốn kém hơn đối với các công ty Trung Quốc. Tuy nhiên, việc thực thi không thể loại bỏ hoàn toàn việc tinh luyện được hỗ trợ bởi các chủ thể nhà nước. Do đó, mỗi bước tiến前沿 của phương Tây đều tạo ra một giáo viên khác cho các phòng thí nghiệm Trung Quốc. Các nhà phát triển phương Tây phải tự mình tái tạo những năng lực này hoặc chờ đợi học hỏi từ các mô hình Trung Quốc. Khoảng cách này mang lại cho các phòng thí nghiệm Trung Quốc lợi thế cấu trúc lặp đi lặp lại so với các công ty phương Tây.

Điều này đáng để lặp lại: Vì các nhà sản xuất mô hình trọng số mở của Mỹ phải tuân thủ các điều khoản dịch vụ của các phòng thí nghiệm tiên tiến, họ (1) kém hơn các sản phẩm thay thế của Trung Quốc, (2) cuối cùng chỉ tinh luyện các sản phẩm đã được tinh luyện, chỉ đi qua các phòng thí nghiệm Trung Quốc. Nếu các nhà sản xuất mô hình trọng số mở phương Tây có thể trực tiếp truy cập từ nguồn gốc, chẳng phải sẽ tốt hơn sao?

Để làm rõ điều này, còn có một câu hỏi thú vị hơn xung quanh quá trình tinh luyện: tại sao nó lại thực sự không tốt? Rốt cuộc, các mô hình ngôn ngữ lớn chẳng phải chính là sự tinh luyện toàn bộ kiến thức trên internet mở, được các phòng thí nghiệm tiên tiến thu thập và tinh luyện thành các mô hình đang được tinh luyện sao? Vậy rốt cuộc ai mới là người bị tổn hại?

Thực tế, nghịch lý này chính là giải pháp. Tôi tin rằng các mô hình trọng số mở sẽ thúc đẩy sự đổi mới (và, theo những nội dung trên, tôi cho rằng các phòng thí nghiệm tiên tiến sẽ ổn), nhưng việc phụ thuộc vào Trung Quốc là một vấn đề. Hoa Kỳ nên thông qua một đạo luật, (1) rõ ràng hóa việc thu thập dữ liệu để huấn luyện mô hình là sử dụng hợp lý, (2) ít nhất cấm các điều khoản dịch vụ cấm quá trình tinh luyện đối với các công ty Mỹ. Ngăn cản quá trình tinh luyện—thực chất là truy vấn API—gần như là không thể; Hoa Kỳ nên theo hướng khác, ưu tiên một chính sách bản quyền mới, vừa bảo vệ các phòng thí nghiệm, vừa đảm bảo kiến thức mà họ học được sẽ thúc đẩy sự đổi mới của những người khác.

Bài viết liên tục giảm thiểu những phản ứng quá mức đối với Kimi K3 và các mô hình trọng số mở của Trung Quốc; tuy nhiên, có một lý do đáng lo ngại, đó là an ninh mạng. Hãy xem câu chuyện này từ The Stack:

Hugging Face cho biết, cơ sở hạ tầng sản xuất của họ đã bị xâm nhập bởi hệ thống đại lý AI "tự chủ" vào đầu tuần trước. Đội an ninh của nền tảng ban đầu gặp trở ngại trong phản ứng sự cố (IR) do các hàng rào bảo vệ của mô hình LLM tiên tiến của Mỹ không được đặt tên, "chúng không thể phân biệt giữa người phản ứng sự cố và kẻ tấn công," họ nói. Do đó, các nhà phòng thủ của Hugging Face đã chuyển sang sử dụng mô hình GLM 5.2 mã nguồn mở từ phòng thí nghiệm Z.ai của Trung Quốc — chạy nó trên cơ sở hạ tầng riêng của họ để phân tích hơn 17.000 nhật ký hoặc dấu vết do kẻ tấn công để lại.

Đối với Hugging Face, công ty có trụ sở tại New York, đây là một sự công khai đáng chú ý khi công ty cho phép người dùng hợp tác trên các mô hình, bộ dữ liệu và ứng dụng, đạt mốc doanh thu hàng năm (ARR) 100 triệu USD vào mùa hè này. Trong một báo cáo sự kiện, công ty đề nghị các nhà bảo vệ "chuẩn bị sẵn một mô hình có khả năng chạy trên cơ sở hạ tầng của bạn [in nghiêng của chúng tôi] trước khi sự kiện xảy ra, để tránh bị khóa bởi các hàng rào bảo vệ và ngăn chặn dữ liệu và thông tin xác thực của kẻ tấn công rời khỏi môi trường của bạn."

Không thể nhấn mạnh quá mức rằng phản ứng hoảng loạn của chính quyền Trump trước việc Anthropic công bố Fable đã sai lầm đến đâu, đặc biệt vì nó làm trầm trọng thêm xu hướng tồi tệ nhất của Anthropic—giả định rằng chỉ có họ mới đáng tin cậy để sử dụng AI mạnh mẽ. Trong một thế giới chỉ có một AI, việc giữ lại năng lực an ninh mạng mạnh nhất cho chính phủ Mỹ và các đồng minh đáng tin cậy có thể hợp lý; tuy nhiên, đó không phải là thế giới chúng ta đang sống.

Đã có và sẽ có những mô hình hoàn toàn có khả năng tấn công mạng vào cơ sở hạ tầng hiện tại, và những mô hình này sẽ—đã—trở nên phổ biến rộng rãi. Biện pháp phòng thủ tốt nhất—thực tế là biện pháp phòng thủ duy nhất khả thi—sẽ là đảm bảo rằng những người phòng thủ cũng có thể tiếp cận được những mô hình tốt nhất. Hiện tại, do chỉ thị của chính quyền Trump, những người phòng thủ thực sự bị cấm sử dụng Fable hoặc Sol cho an ninh mạng; điều này có nghĩa là giải pháp thay thế tốt nhất là sử dụng các mô hình đến từ một quốc gia đã nhiều năm nỗ lực làm suy yếu khả năng phòng thủ mạng của chúng ta. Điều này thật điên rồ!

Cách tốt hơn là rõ ràng: trước tiên, nới lỏng các hạn chế của Fable và Sol về an ninh mạng, sau đó đảm bảo rằng các nhà sản xuất mô hình trọng số mở của Mỹ được cạnh tranh bình đẳng với Trung Quốc. Đúng là các phòng thí nghiệm tiên tiến sẽ ồn ào, nhưng chính phủ nên nhận thức rằng việc nghe theo sự hoảng loạn của họ đã khiến Mỹ rơi vào tình thế mà các công ty Mỹ phụ thuộc vào Trung Quốc để phòng thủ. Hãy để các phòng thí nghiệm tiên tiến chiến thắng bằng cách làm tốt hơn; đừng để họ định nghĩa an toàn hoặc bảo vệ, cũng đừng để họ kéo thang tri thức tập thể của nhân loại. Trung Quốc đã đủ khó để cạnh tranh rồi; để họ gánh vác ngọn cờ mở và đổi mới chính là từ bỏ lợi thế lớn nhất của chúng ta.